深度卷积先验引导的鲁棒图像层分离方法及其应用-计算机科学.pdfVIP

第 卷 第 期 计 算 机 科 学 ４６ 　 ３ Vol．４６No．３ 年 月 ２０１９ ３ COMPUTER SCIENCE Mar．２０１９ 深度卷积先验引导的鲁棒图像层分离方法及其应用 姜智颖 刘日升 　 (大连理工大学 立命馆大学国际信息与软件学院 辽宁 大连 ) Ｇ 　 １１６６２１ ( ) 辽宁省泛在网络与服务软件重点实验室 辽宁 大连 　 １１６６２１ 　 . 摘 要 图像层分离是根据任务需要将观测图像分解成两个独立且具有实际意义的组成成分 图像恢复领域中的很 　 　 , 、 、 . , 多问题在本质上都可以被理解为两个不同层的分离 如自然图像去雨 本质图像分解 反射层去除等 因此 做好图像 . , 层分解工作对解决这些问题有极大的推动作用 由于这个问题的求解具有病态性 已有的方法大多都是通过设计一 . , , 个复杂的模型先验来约束所需要的两层 然而 复杂的先验会导致目标函数难以被优化求解 算法的有效性也不能很 . , , , . 好地发挥出来 更重要的是 这些方法只能针对其中某一个特定的任务 不能迁移到其他应用上 泛化能力不强 为 , , . , 了弥补上述不足 文中提出了一个自适应的灵活优化框架 将深度网络整合到图像层分离迭代过程中 近年来 深度 , . , 学习在特征提取上的优势逐步体现 在低级图像处理领域也越来越多地被采用 因此 该算法使用深度结构替代传统 , , , 模型先验来刻画不同层的特征 同时 为了减少网络对训练数据的依赖并提升算法的有效性 将深度信息与传统优化 . , ( ) . ( ) 框架相结合 具体来讲 首先基于MAP最大后验概率 建立能量函数 然后使用ADMM 交替方向乘子法 将该模 . , , 型分解成 个子问题 前两个子问题用来估计分离的两层 其中鉴于卷积操作在特征刻画上的优势 使用其作为隐式 ３ ; . ,